Réseau génératif antagoniste pour la traduction de signaux de capteurs avec application à l'ECG

Ce travail décrit la conception d’un système d’apprentissage automatique pour la traduction de signaux chronologiques d’un format de représentation vers un autre, avec l’électrocardiogramme comme objectif d’application. Il est motivé par le fait que les signaux générés par les capteurs modernes, notamment les capteurs biomédicaux, peuvent différer des formats standards. Le problème de la transduction de séquences a été abordé durant les dernières décennies de diverses façons, dont les approches génératives et discriminantes. Cependant, les efforts des chercheurs ont porté principalement sur les séquences rencontrées lors du traitement automatique du langage naturel et les modèles discrets proposés sont adaptés aux données linguistiques. Il existe peu de travaux qui ont abordé la transduction d’autres types de données, dont les signaux chronologiques en provenance de capteurs biomédicaux. Ce travail présente un modèle de réseaux antagonistes génératifs (GAN en anglais) pour la transduction des signaux d’un réseau de capteurs de l’activité cardiaque chez l’humain. Il transforme les mesures brutes fournies par un tapis d’électrodes sans contact avec la peau en des signaux d’électrocardiogramme standard (appelé communément ECG ou EKG). Pour ce faire, le modèle CycleGAN, normalement employé pour la génération d’images synthétiques, est adapté pour l’application à l’ECG. Plusieurs itérations ont été nécessaires pour arriver au résultat. Dans un premier temps, un système de génération de symboles est étudié et validé sur la base MNIST, une base de données populaire de caractères manuscrits. Ensuite, un système de conversion de fonction en une autre fonction est étudié. Finalement, un système de traduction à canaux multiples est développé pour l’ECG. Ce modèle est évalué à l’aide de 31 enregistrements de l’activité cardiaque fournis par la compagnie SigNum de Montréal, effectués en parallèle avec leur tapis d’électrodes sans contact et des électrodes standards. Le calcul de l’erreur quadratique moyenne entre les signaux cibles et ceux prédits montre que la traduction de signaux chronologiques est possible en utilisant les réseaux Cycle-GAN, et que le modèle développé donne une meilleure précision que des modèles d’apprentissages classiques. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : traduction de signaux, électrocardiogramme, ECG, EKG, réseaux antagonistes génératifs, GAN, CycleGAN

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.